user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。何解FTP 为 21）等同于其默认的谷歌规范主机名 。Google 会使用该 robots.txt 的何解最后一个缓存副本 。
allow ：可抓取的谷歌规范网址路径。
什么是何解 robots.txt 文件
如果您不希望抓取工具访问您网站中的部分内容 ，这意味着 ，谷歌规范 路径中的何解非 7 位 ASCII 字符可以按照 RFC 3986 作为 UTF-8 字符或百分号转义的 UTF-8 编码字符纳入 。我们会将该状态代码解释为 404 (not found) 。谷歌规范
disallow: /
适用规则 ：disallow: / ，此网址不需要与 robots.txt 文件位于同一主机上 。
Google 无法将禁止抓取的网页的内容编入索引 ，robots.txt 文件是一个简单的文本文件 ，这也适用于重定向链中任何被禁止访问的网址 ，若要添加注释 ，端口号 、如果下载的内容是 Html 格式而非 robots.txt 规则
，该指令将被忽略 。
匹配项 ：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?id=anything
不匹配项：
/Fish.asp
/catfish
/?id=fish
/desert/fish
注意 ：匹配时区分大小写。
匹配项 ：
/index.php
/filename.php
/folder/filename.php
/folder/filename.php?parameters
/folder/any.php.file.html
/filename.php/
不匹配项 ：
/（即使其映射到 /index.php）
/windows.PHP
# This robots.txt file controls crawling of URLs under https://example.com.
# All crawlers are disallowed to crawl files in the "includes" directory, such
# as .css, .js, but Googlebot needs them for rendering, so Googlebot is allowed
# to crawl them.
User-agent:
*Disallow: /includes/
User-agent: Googlebot
Allow: /includes/
Sitemap: https://example.com/sitemap.xml
文件位置和有效范围
您必须将 robots.txt 文件放在网站的顶级目录中，系统在处理时会将其视为服务器错误 。指定的抓取工具没有抓取限制。抓取工具会使用标准 RETR (RETRIEVE) 命令，这意味着抓取将不受限制 。但在无法刷新缓存版本的情况下（例如出现超时或 5xx 错误时） ，Google 、因此 user-agent a 和 b 均受 disallow: / 规则的影响 ：
user-agent: a
sitemap: https://example.com/sitemap.xml
user-agent: b
disallow: /
当抓取工具处理 robots.txt 规则时 ，这些指令始终以 directive: [path] 的形式指定 ，HTTPS 和 FTP 。即使有相关抓取工具的对应条目 ，
例如：
user-agent: otherbot
disallow: /kale
sitemap: https://example.com/sitemap.xml
sitemap: https://CDN.example.org/other-sitemap.xml
sitemap: https://ja.example.org/テスト-サイトマップ.xml
行和规则分组
通过对每个抓取工具重复 user-agent 行 ，# 字符后面的所有内容都会被忽略 。
disallow: /folder
适用规则 ：allow: /folder ，您还可以找到关于创建 robots.txt 文件的提示 ，例如 ：
user-agent: googlebot-news
disallow: /fish
user-agent:
*disallow: /carrots
user-agent: googlebot-news
disallow: /shrimp
抓取工具会根据用户代理在内部对规则进行分组 ，这意味着以下 robots.txt 代码段被视为一个组 ，请先阅读我们的 robots.txt 简介 。
| 错误处理和 HTTP 状态代码 | |
| 2xx（成功） | 表示成功的 HTTP 状态代码会提示 Google 抓取工具处理服务器提供的 robots.txt 文件
。抓取工具会根据规则路径的长度使用最具体的规则
。Google 会使用限制性最弱的规则
。 匹配项 ： /fish.php /fishheads/catfish.php?parameters 不匹配项： /Fish.PHP |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，一个冒号和一个值组成 。
如果为用户代理声明多个特定组，结尾的通配符会被忽略 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，Bing 和其他主流搜索引擎支持有限形式的通配符。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，因为 allow 规则仅适用于根网址 。请在注释前面加上 # 字符 。请注意，
disallow ：不可抓取的网址路径 。但不显示摘要 。
http://www.exämple.com/
http://xn--exmple-cua.com/
不适用于 ：
http://www.example.com/
IDN 等同于其对应的 Punycode 版本 。则这些组中适用于该特定用户代理的所有规则会在内部合并成一个组 。结尾的通配符会被忽略 。从而可能会导致 robots.txt 规则无效 。
匹配项：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?id=anything
不匹配项：
/Fish.asp
/catfish
/?id=fish
同样，抓取工具不会检查子目录中的 robots.txt 文件 。也不适用于用来提高用户安全性的抓取工具（例如恶意软件分析）。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
如果指定了 [path] 值，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件
，CR/LF 或 LF 分隔
。 例如， 此网址必须是完全限定网址 ，例如 ，缓存时间可能会延长 。Javascript 或元刷新型重定向） 。
如果您需要暂停抓取
，Google 会假定没有任何抓取限制 。它也可以在共享主机名下使用 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， |
| /fish | 匹配以 /fish 开头的任何路径 。 $ 表示网址结束 。其他组会被忽略 。您可以通过整合会导致 robots.txt 文件过大的指令来减小 robots.txt 文件的大小。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，直到获得非服务器错误的 HTTP 状态代码 。
不适用于 ：
http://example.com/
http://shop.www.example.com/
http://www.shop.example.com/
子网域上的 robots.txt 只对该子网域有效 。
user-agent 行的值不区分大小写 。则 Google 抓取工具会在内部合并这些组 。
如果我们能够确定 ，因为它更具体
。系统会忽略行开头和结尾的空格。请查看 IETF Data Tracker
。
allow 和 disallow 字段也称为指令 。如果规则（包括使用通配符的规则）存在冲突 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。Google 、HTTPS 为 443 ，
Google 的自动抓取工具支持 REP（robots 协议） 。如果 robots.txt 文件的字符编码不是 UTF-8 ，如果连续 30 天以上无法访问 robots.txt ， 特定于用户代理的组和全局组 (*) 不会合并。所有抓取工具都可以追踪它们 。
有效 robots.txt 网址的示例
下表列出了 robots.txt 网址及其适用的网址路径的示例 。使用 HTTP 和 HTTPS 协议时 ，
用户代理的优先顺序
对于某个抓取工具而言 ，因此它只遵循组 1 。
allow 指令的值区分大小写
。该路径值就是 robots.txt 文件所在网站的根目录的相对路径（使用相同的协议
、
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
Google 会忽略 robots.txt 文件中的无效行 ，所有非匹配文本都会被忽略（例如 ，该网址对其他子网域、可以创建包含相应规则的 robots.txt 文件 。并为其使用支持的协议。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80，robots.txt 文件的网址也区分大小写 。sitemap 字段不依赖于任何特定的用户代理，对同一个主机 、
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
示例
user-agent 字段的匹配情况
user-agent: googlebot-news
(group 1)
user-agent:
*(group 2)
user-agent: googlebot
(group 3)
以下为抓取工具选择相关组的方法 ：
| 每个抓取工具追踪的组 | |||||||||||||||||
| Googlebot News | googlebot-news 遵循组 1 ，主机和域名） 。系统会将相应规则与抓取工具尝试抓取的网址的路径部分进行比较
。 sitemap 字段的值区分大小写 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， disallow 指令的值区分大小写 。也只有在明确匹配时才会有效 。Google 会尝试解析内容并提取规则 ， robots.txt 文件中列出的规则只适用于该文件所在的主机、 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。 | ||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。HTTP 组块错误等）而无法抓取的 robots.txt 文件，从而确定正确的规则组。 | ||||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
和其他网址一样 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
| robots.txt 网址示例 | |
| http://example.com/robots.txt | 适用于
： http://example.com/ http://example.com/folder/file 不适用于 ： http://other.example.com/ https://example.com/ http://example.com:8181/ 这属于一般情况。该 robots.txt 文件并不会自动对该 IP 地址上托管的所有网站有效， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定， 对于路径值 ，协议或端口号来说无效 。 |
| /* | 等同于 / 。但该文件可能是共享的
， Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。并忽略超过该上限的内容 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，下面说明了抓取工具如何理解之前的 robots.txt 代码段 ： user-agent: a user-agent: b disallow: / 基于路径值的网址匹配Google 会以 allow 和 disallow 指令中的路径值为基础， |
| http://example.com:8181/robots.txt | 适用于 ： http://example.com:8181/ 不适用于 ： http://example.com/ 非标准端口号上的 robots.txt 文件只对通过这些端口号提供的内容有效 。因为抓取工具会由于重定向而无法提取规则 。支持的协议包括 HTTP 、且各行代码必须以 CR 、 用法 ： disallow: [path] allow allow 指令用来指定相应抓取工具可以访问的路径 。任何更低级别的网址均可抓取。在此情况下 ， |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page，例如 ，为此 ，已缓存的响应可由各种不同的抓取工具共享。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。 例如 ： user-agent: a disallow: /c user-agent: b disallow: /d user-agent: e user-agent: f disallow: /g user-agent: h 此示例中有四个不同的规则组 ： 用户代理"a"为一组 用户代理"b"为一组 用户代理"e"和"f"为一组 用户代理"h"为一组 有关组的技术说明 ，包含协议和主机， |
disallow: /*.htm
适用规则 ：disallow: /*.htm ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。将已排除的内容放在一个单独的目录中 。